formative feedback

Academic writing development in open and distance learning (ODL) environments remains challenging because students must independently regulate complex writing processes while receiving limited opportunities for continuous interaction and feedback. Existing digital learning platforms often emphasize assignment submission rather than supporting writing development as an iterative process involving planning, feedback utilization, reflection, and revision. This study aimed to develop and evaluate SIM-Aril as an online portfolio-based self-regulated feedback platform for supporting academic writing development in an ODL context. This study employed a Research and Development (R&D) design involving needs analysis, platform development, validation, implementation, and evaluation. Data were collected from 122 students and 38 tutors through self-regulated writing questionnaires, tutor competency questionnaires, expert evaluation, and qualitative responses. Quantitative data were analyzed using descriptive statistics, reliability analysis, correlation analysis, regression analysis, and exploratory factor analysis, while qualitative data were analyzed thematically. The findings demonstrate that SIM-Aril supported academic writing development through the integration of digital portfolio assessment, tutor scaffolding, and student self-regulated writing processes. Students demonstrated strong engagement in revision, feedback utilization, metacognitive monitoring, and other writing regulation activities. Tutor evaluation indicated that academic writing supervision represented an important component supporting SIM-Aril implementation. The integrated findings show that SIM-Aril functions not merely as a digital submission platform but as a self-regulated feedback ecosystem that connects learner autonomy, instructional support, and formative feedback. This study contributes theoretically by extending digital assessment research through a model that integrates individual self-regulation, socially shared regulation, and feedback literacy within technology-supported academic writing environments. Practically, the findings suggest that effective digital assessment in ODL should be designed to support learning processes rather than only evaluate final outcomes.

This study designed and validated a Technology-Enhanced Inquiry-Based Learning Package (TIBLEP) for junior secondary natural science in a resource-constrained context, addressing the offline connectivity barriers common in under-resourced schools. A Design and Development Research (DDR) approach guided needs analysis, design, development, expert validation, revision, and field implementation. TIBLEP was built as an offline environment combining curriculum-aligned content, guided inquiry, multimedia demonstrations, self-paced navigation, and formative feedback. Five experts assessed the package across six dimensions. Sixty Grade 8 students from two intact classes then completed a five-week field trial (30 in the TIBLEP group and 30 in the conventional group), with interviews capturing participant experiences. Expert ratings were consistently positive (grand mean = 3.69, SD = 0.29), with the highest ratings for overall suitability (M = 3.78) and the lowest for technology integration (M = 3.60). Posttest achievement was higher for TIBLEP (M = 68.30, SD = 6.20) than for the control group (M = 54.70, SD = 5.80). Interviews indicated perceived gains in conceptual clarity, autonomy, engagement, collaboration, and teachers' technological competence. TIBLEP is a feasible, expert-validated offline model for inquiry-oriented science learning where connectivity is unreliable and access remains uneven. The package offers teachers and policymakers a validated, curriculum-aligned tool for delivering inquiry-based science instruction without depending on internet access.

Kit-Build Concept Mapping (KBCM) supports formative assessment by externalizing learning goals as a teacher reference map and diagnosing proposition-level gaps through automated comparison. However, typical KBCM use provides mainly verification feedback (what is missing/incorrect) and offers limited support for how students should act to close those gaps. Leveraging KBCM’s diagnostic outputs as an enabling infrastructure, this study proposes and implements a three-layer formative feedback framework that operationalizes structured gap-closing actions: (Layer 1) Evidence Access links each frequently missing proposition to specific source-text evidence; (Layer 2) Comprehension Verification prompts learners to articulate the reasoning behind the proposition through guided questioning; and (Layer 3) Integration Practice requires coordinated application of multiple propositions in authentic problem-solving tasks. We report three classroom trials with undergraduate informatics students (N = 11, N = 10, N = 10). Across all trials, large overall learning gains were observed from post-reading (T1) to post-intervention (T3) (Wilcoxon r =.895,.878,.889; all $$p <0.05$$ ). The magnitude of additional improvement beyond KBCM diagnostics differed by content complexity. These findings suggest that KBCM-based diagnosis can be systematically transformed into progressive, pedagogically grounded feedback that supports students’ gap-closing actions in classroom practice.

نگاشت مفهومی Kit-Build (KBCM) با برون‌سازی اهداف یادگیری به‌صورت نقشه مرجع معلم و تشخیص شکاف‌های سطح گزاره‌ای از طریق مقایسه خودکار، از ارزشیابی تکوینی پشتیبانی می‌کند. با این حال، استفاده معمول از KBCM عمدتاً بازخورد تأییدی (آنچه که ناقص یا نادرست است) ارائه می‌دهد و حمایت محدودی از نحوه اقدام دانش‌آموزان برای رفع این شکاف‌ها فراهم می‌سازد. این پژوهش با بهره‌گیری از خروجی‌های تشخیصی KBCM به‌عنوان زیرساخت توانمندساز، چارچوب بازخورد سازنده سه‌لایه‌ای را پیشنهاد و اجرا می‌کند که اقدامات ساختاریافته برای رفع شکاف‌ها را عملیاتی می‌سازد: (لایه ۱) دسترسی به شواهد، هر گزاره‌ای که به‌طور مکرر حذف شده را به شواهد خاصی در متن منبع پیوند می‌دهد؛ (لایه ۲) راستی‌آزمایی درک، یادگیرندگان را از طریق پرسش‌های هدایت‌شده به بیان استدلال پشت گزاره ترغیب می‌کند؛ و (لایه ۳) تمرین ادغام، نیازمند به‌کارگیری هماهنگ چند گزاره در وظایف حل مسئله اصیل است. سه آزمون کلاسی با دانشجویان کارشناسی رشته انفورماتیک (N = 11، N = 10، N = 10) گزارش می‌شود. در تمامی آزمون‌ها، افزایش چشمگیر یادگیری کلی از پس‌مطالعه (T1) تا پس‌مداخله (T3) مشاهده شد (Wilcoxon r = .895، .878، .889؛ همه $$p <0.05$$). میزان بهبود اضافی فراتر از تشخیص‌های KBCM بسته به پیچیدگی محتوا متفاوت بود. این یافته‌ها نشان می‌دهد که تشخیص مبتنی بر KBCM را می‌توان به‌صورت نظام‌مند به بازخورد تدریجی و مبتنی بر اصول آموزشی تبدیل کرد که از اقدامات رفع شکاف دانش‌آموزان در عمل کلاسی حمایت می‌کند.

Introduction Large-scale longitudinal evidence on how progressive institutional assessment policy reform is associated with student academic performance remains scarce, particularly in Latin American public higher education. This study examined the association between four successive institutional assessment policies and academic performance across four consecutive academic periods at a public university in Ecuador, focusing on the transition from undifferentiated assessment models to competency-differentiated structures integrating formative feedback within the summative framework. Methods A comparative quasi-longitudinal design was adopted using 921,795 student-course enrolment records. Four institutional assessment policies were examined: a balanced distributed model (Policy A: 60% coursework/40% examinations), a single high-stakes final examination (Policy B: 40% coursework/60% examination), a competency-differentiated model separating theoretical and practical components (Policy C: 40% coursework/30% theoretical examination/30% practical examination), and a hybrid model integrating formative feedback through an intermediate practical assessment (Policy D: 40% coursework/30% theoretical examination/15% progress submission/15% final submission). One-way ANOVA, Bonferroni-corrected pairwise post-hoc comparisons, chi-squared tests with Cramér's V , and subgroup analyses by faculty, study modality, and degree programme were conducted. Results Mean final grades increased monotonically from 78.08 under Policy A to 84.38 under Policy D, while pass rates followed a U-shaped pattern, reaching their minimum under Policy B (82.91%). The overall ANOVA was significant, F (3,921,791) = 7,143.53, p < .001, η ² = .023. Post-hoc comparisons revealed a structural inflection between undifferentiated policies (A/B) and competency-differentiated policies (C/D), with cross-block effect sizes ( d = .306-.380) substantially larger than within-block differences (d < .08). Pass rates differed significantly across policies, χ ²(3) = 9,867.90, p < .001, V = .103. Grade dispersion decreased under competency-differentiated policies, with the standard deviation declining from 19.73 under Policy B to 15.69 under Policy D. Faculty-level analyses showed minimal policy-associated variation in Health Sciences (η² = .001), compared with small but consistent effects in the other three faculties (η² = .014–.036). Online students exhibited the greatest performance gains (η² = .043), with the online-face-to-face performance gap shifting from −0.86 points under Policy A to +5.65 points under Policy D. Discussion The transition from undifferentiated assessment models to competency-differentiated structures separating declarative and procedural knowledge was consistently associated with higher mean academic performance, improved pass rates, and reduced grade dispersion. These associations were particularly pronounced among online students, although the observational design does not establish causality. The findings provide large-scale evidence on the relationship between institutional assessment policy design and academic performance, highlighting the relevance of integrating competency differentiation and formative feedback within summative assessment frameworks as an academic quality governance mechanism in public higher education.

مقدمه: شواهد طولی در مقیاس وسیع درباره ارتباط اصلاح تدریجی سیاست‌های ارزشیابی نهادی با عملکرد تحصیلی دانشجویان، به‌ویژه در آموزش عالی دولتی آمریکای لاتین، همچنان اندک است. این مطالعه ارتباط میان چهار سیاست ارزشیابی نهادی متوالی و عملکرد تحصیلی را در چهار دوره متوالی تحصیلی در یک دانشگاه دولتی در اکوادور بررسی کرد و بر گذار از مدل‌های ارزشیابی غیرمتمایز به ساختارهای مبتنی بر تمایز شایستگی با ادغام بازخورد تکوینی در چارچوب جمع‌بندی تمرکز داشت. روش‌ها: یک طرح شبه‌طولی مقایسه‌ای با استفاده از ۹۲۱٬۷۹۵ رکورد ثبت‌نام دانشجو-درس اتخاذ شد. چهار سیاست ارزشیابی نهادی بررسی شد: مدل توزیع‌شده متعادل (سیاست A: ۶۰٪ کار کلاسی/۴۰٪ آزمون)، یک آزمون نهایی با ریسک بالا (سیاست B: ۴۰٪ کار کلاسی/۶۰٪ آزمون)، مدل مبتنی بر تمایز شایستگی با تفکیک مؤلفه‌های نظری و عملی (سیاست C: ۴۰٪ کار کلاسی/۳۰٪ آزمون نظری/۳۰٪ آزمون عملی)، و مدل ترکیبی با ادغام بازخورد تکوینی از طریق ارزشیابی عملی میانی (سیاست D: ۴۰٪ کار کلاسی/۳۰٪ آزمون نظری/۱۵٪ ارائه پیشرفت/۱۵٪ ارائه نهایی). آزمون ANOVA یک‌طرفه، مقایسه‌های پس‌آزمون زوجی با اصلاح بونفرونی، آزمون‌های کای-دو با V کرامر و تحلیل‌های زیرگروهی بر اساس دانشکده، شیوه تحصیل و برنامه تحصیلی انجام شد. نتایج: میانگین نمرات نهایی به طور یکنواخت از ۷۸٫۰۸ در سیاست A به ۸۴٫۳۸ در سیاست D افزایش یافت، در حالی که نرخ قبولی الگوی U شکل داشت و حداقل خود را در سیاست B (۸۲٫۹۱٪) نشان داد. آزمون ANOVA کلی معنادار بود، F (3,921,791) = 7,143.53, p < .001, η² = .023. مقایسه‌های پس‌آزمون، نقطه عطف ساختاری میان سیاست‌های غیرمتمایز (A/B) و سیاست‌های مبتنی بر تمایز شایستگی (C/D) را نشان داد، به‌طوری‌که اندازه اثر بین‌بلوک (d = .306-.380) به‌طور قابل توجهی بزرگ‌تر از تفاوت‌های درون‌بلوک (d < .08) بود. نرخ قبولی در سیاست‌ها تفاوت معناداری داشت، χ²(3) = 9,867.90, p < .001, V = .103. پراکندگی نمرات در سیاست‌های مبتنی بر تمایز شایستگی کاهش یافت، به‌طوری‌که انحراف معیار از ۱۹٫۷۳ در سیاست B به ۱۵٫۶۹ در سیاست D رسید. تحلیل‌های سطح دانشکده نشان داد که تغییرات مرتبط با سیاست در علوم سلامت حداقل بود (η² = .001)، در حالی که در سه دانشکده دیگر اثرات کوچک اما پایدار مشاهده شد (η² = .014–.036). دانشجویان آنلاین بیشترین افزایش عملکرد را نشان دادند (η² = .043)، به‌طوری‌که فاصله عملکرد آنلاین-حضوری از ۰٫۸۶- نمره در سیاست A به ۵٫۶۵+ نمره در سیاست D تغییر یافت. بحث: گذار از مدل‌های ارزشیابی غیرمتمایز به ساختارهای مبتنی بر تمایز شایستگی با تفکیک دانش اظهاری و رویه‌ای، به طور پیوسته با افزایش میانگین عملکرد تحصیلی، بهبود نرخ قبولی و کاهش پراکندگی نمرات همراه بود. این ارتباطات به‌ویژه در میان دانشجویان آنلاین برجسته بود، اگرچه طرح مشاهده‌ای مطالعه علیت را اثبات نمی‌کند. یافته‌ها شواهدی در مقیاس وسیع درباره رابطه طراحی سیاست ارزشیابی نهادی و عملکرد تحصیلی ارائه می‌دهد و اهمیت ادغام تمایز شایستگی و بازخورد تکوینی در چارچوب ارزشیابی جمع‌بندی را به‌عنوان سازوکار حاکمیت کیفیت علمی در آموزش عالی دولتی برجسته می‌کند.

Artificial intelligence (AI) is increasingly being integrated into higher education, yet empirical evidence on its pedagogical use in university physics remains fragmented. This systematic review synthesized empirical research on the applications, reported learning and pedagogical outcomes, methodological quality, challenges, and educational implications of AI-supported university physics education. We used six search sources: SpringerLink, Scopus, Web of Science, ScienceDirect, Google Scholar, and ERIC. The searches in the five original sources were updated through September 2026, and ERIC was added as an additional search source. Eligibility criteria were defined using the PICOS framework, study selection followed PRISMA 2020, and methodological quality was appraised using the 2018 Mixed Methods Appraisal Tool (MMAT). Eleven empirical studies met the inclusion criteria and were synthesized narratively. Across the included studies, AI was used for tutoring and explanations, formative feedback and scaffolding, collaborative problem solving, simulation and modeling, instructional design, and developing AI literacy. Reported outcomes were mixed and context-dependent. Some studies identified favorable short-term or task-specific outcomes related to feedback, learning performance, simulation-based activities, and AI-related competencies, whereas others reported limitations in transfer to independent performance, the pedagogical quality of AI-generated materials, and students’ ability to recognize scientifically inaccurate AI-generated responses. Cross-study patterns suggested that instructional structure, alignment between AI-supported activities and learning tasks, students’ disciplinary knowledge, and opportunities to critically evaluate AI outputs shaped the educational use of AI. The current evidence does not support a general conclusion that AI is uniformly effective in university physics education. Rather, its educational value appears to depend on how AI is integrated into learning activities and on the extent to which students and instructors retain responsibility for reasoning, evaluation, and pedagogical decision-making. Given the small and heterogeneous evidence base, larger longitudinal and multi-institutional studies are needed to examine the durability and transferability of reported outcomes.

هوش مصنوعی (AI) به طور فزاینده‌ای در آموزش عالی ادغام می‌شود، اما شواهد تجربی درباره کاربرد آموزشی آن در فیزیک دانشگاهی همچنان پراکنده است. این مرور نظام‌مند، پژوهش‌های تجربی درباره کاربردها، پیامدهای یادگیری و آموزشی گزارش‌شده، کیفیت روش‌شناختی، چالش‌ها و پیامدهای آموزشی آموزش فیزیک دانشگاهی مبتنی بر هوش مصنوعی را سنتز کرده است. شش منبع جستجو مورد استفاده قرار گرفت: SpringerLink، Scopus، Web of Science، ScienceDirect، Google Scholar و ERIC. جستجوها در پنج منبع اصلی تا سپتامبر ۲۰۲۶ به‌روزرسانی شد و ERIC به عنوان منبع جستجوی اضافی افزوده شد. معیارهای شایستگی با استفاده از چارچوب PICOS تعریف شد، انتخاب مطالعات بر اساس PRISMA 2020 انجام گرفت و کیفیت روش‌شناختی با ابزار ارزیابی روش‌های ترکیبی ۲۰۱۸ (MMAT) سنجیده شد. یازده مطالعه تجربی معیارهای ورود را داشتند و به صورت روایی سنتز شدند. در مطالعات وارد شده، AI برای آموزش و توضیح، بازخورد تکوینی و پشتیبانی، حل مسئله گروهی، شبیه‌سازی و مدل‌سازی، طراحی آموزشی و توسعه سواد هوش مصنوعی به کار رفته بود. پیامدهای گزارش‌شده متنوع و وابسته به زمینه بودند. برخی مطالعات پیامدهای مثبت کوتاه‌مدت یا خاص وظیفه مرتبط با بازخورد، عملکرد یادگیری، فعالیت‌های مبتنی بر شبیه‌سازی و شایستگی‌های مرتبط با AI را شناسایی کردند، در حالی که برخی دیگر به محدودیت‌هایی در انتقال به عملکرد مستقل، کیفیت آموزشی مواد تولیدشده توسط AI و توانایی دانشجویان در تشخیص پاسخ‌های علمی نادرست تولیدشده توسط AI اشاره کردند. الگوهای میان‌مطالعه‌ای نشان داد که ساختار آموزشی، هم‌راستایی میان فعالیت‌های مبتنی بر AI و وظایف یادگیری، دانش تخصصی دانشجویان و فرصت‌های ارزیابی انتقادی خروجی‌های AI، استفاده آموزشی از هوش مصنوعی را شکل می‌دهد. شواهد موجود از نتیجه‌گیری کلی مبنی بر اثربخشی یکنواخت AI در آموزش فیزیک دانشگاهی حمایت نمی‌کند؛ بلکه ارزش آموزشی آن به نحوه ادغام AI در فعالیت‌های یادگیری و میزان حفظ مسئولیت استدلال، ارزیابی و تصمیم‌گیری آموزشی توسط دانشجویان و مدرسان بستگی دارد. با توجه به شواهد اندک و ناهمگون، مطالعات طولی و چندنهادی بزرگ‌تر برای بررسی پایداری و انتقال‌پذیری پیامدهای گزارش‌شده مورد نیاز است.

This paper presents an exploratory systematic review of artificial intelligence (AI) in physics education and its alignment with Sustainable Development Goal 4 (SDG 4). Following Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020 guidelines (Page et al., 2021), a Web of Science search conducted on January 15, 2025, yielded 105 records; after independent dual-reviewer screening (Cohen’s κ = 0.82 on n = 105 title/abstract decisions), 12 empirical studies published between 2013 and 2025 were included and analyzed. Given the small corpus and emergent nature of the field, findings are explicitly characterized as exploratory evidence mapping rather than consolidated empirical conclusions. The corpus spans educational contexts from secondary school to teacher training and engages AI types including intelligent tutoring systems, machine learning, natural language processing, and generative models. Results indicate that AI is used in four pedagogical roles: tutor, evaluator, assistant, and analyst, with documented benefits in conceptual understanding, formative feedback, personalization, and self-regulated learning. Alignment with SDG-4-relevant sustainability competencies (critical thinking, problem solving, collaboration, and digital literacy) was identified through a secondary interpretive analysis by the review authors against Education for Sustainable Development competency frameworks (Rieckmann, 2011; UNESCO, 2017; 2024); this alignment is inferential and design-based rather than directly measured by the primary studies. Ongoing challenges include technical reliability, teacher preparation and acceptance, and ethical concerns regarding transparency, bias, equity, and data protection. The review contributes an initial, disciplinary-specific evidence map at the intersection of AI, physics education, and SDG 4, and identifies six evidence gaps for future empirical research. No protocol was preregistered prior to conducting this review; this absence is acknowledged as a transparency limitation.

این مقاله به ارائه یک مرور نظام‌مند اکتشافی درباره هوش مصنوعی (AI) در آموزش فیزیک و همسویی آن با هدف توسعه پایدار ۴ (SDG 4) می‌پردازد. با پیروی از دستورالعمل‌های Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020 (Page و همکاران، 2021)، جستجوی Web of Science که در تاریخ ۱۵ ژانویه ۲۰۲۵ انجام شد، ۱۰۵ رکورد را به دست داد؛ پس از غربالگری مستقل توسط دو ارزیاب (ضریب کاپا کوهن κ = 0.82 بر روی n = 105 تصمیم عنوان/چکیده)، ۱۲ مطالعه تجربی منتشرشده بین سال‌های ۲۰۱۳ تا ۲۰۲۵ وارد و تحلیل شدند. با توجه به حجم اندک مطالعات و ماهیت نوظهور این حوزه، یافته‌ها به طور صریح به عنوان نگاشت شواهد اکتشافی و نه نتیجه‌گیری‌های تجربی تثبیت‌شده توصیف می‌شوند. بدنه مطالعات زمینه‌های آموزشی از دبیرستان تا آموزش معلمان را دربر می‌گیرد و انواع هوش مصنوعی شامل سامانه‌های آموزش هوشمند، یادگیری ماشین، پردازش زبان طبیعی و مدل‌های مولد را مورد استفاده قرار می‌دهد. نتایج نشان می‌دهد که هوش مصنوعی در چهار نقش آموزشی شامل معلم، ارزیاب، دستیار و تحلیل‌گر به کار می‌رود و مزایایی چون ارتقای درک مفهومی، بازخورد تکوینی، شخصی‌سازی و یادگیری خودتنظیمی را به همراه دارد. همسویی با شایستگی‌های پایداری مرتبط با SDG-4 (تفکر انتقادی، حل مسئله، همکاری و سواد دیجیتال) از طریق تحلیل تفسیری ثانویه توسط نویسندگان مرور و بر اساس چارچوب‌های شایستگی آموزش برای توسعه پایدار (Rieckmann، ۲۰۱۱؛ یونسکو، ۲۰۱۷؛ ۲۰۲۴) شناسایی شد؛ این همسویی استنباطی و مبتنی بر طراحی است و نه مستقیماً توسط مطالعات اولیه اندازه‌گیری شده باشد. چالش‌های جاری شامل پایایی فنی، آمادگی و پذیرش معلمان و نگرانی‌های اخلاقی درباره شفافیت، سوگیری، عدالت و حفاظت از داده‌ها است. این مرور، نگاشت اولیه و اختصاصی شواهد را در تقاطع هوش مصنوعی، آموزش فیزیک و SDG 4 ارائه می‌دهد و شش شکاف شواهدی برای پژوهش‌های تجربی آینده شناسایی می‌کند. هیچ پروتکلی پیش از انجام این مرور ثبت نشده است؛ این فقدان به عنوان یک محدودیت شفافیت مورد اشاره قرار گرفته است.

Large-group lectures (150 students and upwards) remain a central component of healthcare professions education despite longstanding concerns about passivity, limited interaction, and difficulties in providing formative feedback at scale. These concerns have acquired renewed relevance as educators face digitally connected student cohorts, ubiquitous smartphones, and growing concerns about digital distraction. Student response systems (SRS), initially introduced through dedicated “clickers” and now commonly accessed through students’ own digital devices, offer one approach to transforming the large lecture from a predominantly transmission-oriented format into an interactive learning environment. Meta-analytic evidence indicates positive effects of SRS on cognitive and non-cognitive learning outcomes, while research across psychology, nursing, medicine, dentistry, and other higher education settings suggests that their educational value depends less on the technology itself than on the pedagogical processes it enables. In this Perspective , we argue for a shift from viewing SRS primarily as engagement technology towards understanding it as pedagogical infrastructure for retrieval, formative assessment, peer discussion, feedback, self-monitoring, and metacognitive calibration in large lectures. Drawing on nearly two decades of research and educational experience with response technology, we propose an evolution from SRS 1.0 , centred on response and participation, through SRS 2.0 , centred on formative feedback and dialogue, towards SRS 3.0 , where artificial intelligence may enable adaptive questioning, misconception detection, personalised feedback, and instructor decision support. This development creates new opportunities for healthcare professions education, but also requires renewed attention to pedagogy, digital competence, privacy, cognitive offloading, and the role of the educator.

سخنرانی‌های گروهی بزرگ (۱۵۰ دانشجو و بیشتر) همچنان بخش مرکزی آموزش حرفه‌های سلامت را تشکیل می‌دهند، با وجود نگرانی‌های دیرینه درباره انفعالی بودن، تعامل محدود و دشواری در ارائه بازخورد تکوینی در مقیاس وسیع. این نگرانی‌ها با مواجهه مربیان با نسل‌های دانشجویی متصل به فضای دیجیتال، تلفن‌های هوشمند فراگیر و نگرانی‌های فزاینده درباره حواس‌پرتی دیجیتال، اهمیت تازه‌ای یافته‌اند. سامانه‌های پاسخ‌دهی دانشجویی (SRS)، که ابتدا از طریق «کلیکر»های اختصاصی معرفی شدند و اکنون معمولاً از طریق دستگاه‌های دیجیتال شخصی دانشجویان قابل دسترسی هستند، رویکردی برای تبدیل سخنرانی‌های بزرگ از قالب عمدتاً انتقال‌محور به محیط یادگیری تعاملی ارائه می‌کنند. شواهد فراتحلیلی نشان‌دهنده تأثیرات مثبت SRS بر پیامدهای یادگیری شناختی و غیرشناختی است، در حالی که پژوهش‌ها در حوزه‌های روان‌شناسی، پرستاری، پزشکی، دندان‌پزشکی و سایر محیط‌های آموزش عالی حاکی از آن است که ارزش آموزشی این سامانه‌ها بیش از آنکه به خود فناوری وابسته باشد، به فرایندهای آموزشی که امکان‌پذیر می‌سازند بستگی دارد. در این مقاله دیدگاه، ما بر لزوم تغییر نگرش از SRS به‌عنوان فناوری تعامل به‌سوی درک آن به‌عنوان زیرساخت آموزشی برای بازیابی، ارزشیابی تکوینی، بحث همتایان، بازخورد، خودپایشگری و کالیبراسیون فراشناختی در سخنرانی‌های بزرگ تأکید می‌کنیم. با اتکا به نزدیک به دو دهه پژوهش و تجربه آموزشی با فناوری پاسخ‌دهی، سیر تحول از SRS 1.0 با محوریت پاسخ‌دهی و مشارکت، به SRS 2.0 با محوریت بازخورد تکوینی و گفت‌وگو، و نهایتاً به SRS 3.0 که در آن هوش مصنوعی می‌تواند امکان پرسش‌گری تطبیقی، شناسایی سوءبرداشت‌ها، بازخورد شخصی‌سازی‌شده و پشتیبانی تصمیم‌گیری برای مدرس را فراهم کند، پیشنهاد می‌کنیم. این تحول فرصت‌های جدیدی برای آموزش حرفه‌های سلامت ایجاد می‌کند، اما مستلزم توجه مجدد به آموزش، شایستگی دیجیتال، حریم خصوصی، برون‌سپاری شناختی و نقش مدرس نیز هست.

Formative feedback is central to assessment for learning because it can help learners understand expectations, identify gaps in understanding, and improve subsequent learning. However, less is known about how formative feedback is understood and enacted in resource-constrained primary-school contexts. This study explored how Ethiopian primary-school teachers understand and enact formative feedback and how teacher, student, and contextual conditions shape feedback practices. Guided by Social Cognitive Theory (SCT), the study employed a qualitative instrumental case-study design at a government primary school in Asella, Oromia Regional State, Ethiopia. Data were collected through semi-structured interviews with five teachers and the school principal, classroom observations, and a focus group discussion involving five students and three Parent–Teacher Association representatives. Data were analyzed using reflexive thematic analysis, with SCT applied as an interpretive lens. Four themes emerged: teachers’ understanding and enactment of feedback; feedback, student engagement, and learning experiences; contextual conditions supporting feedback; and challenges and tensions affecting implementation. Teachers generally understood feedback as supporting learning, motivation, confidence, and participation. However, observations revealed a gap between formative intentions and enacted practices, with whole-class oral correction more common than sustained dialogue, individualized feedback, and opportunities for revision. Large classes, limited instructional time, assessment pressures, resource constraints, and differences in student engagement shaped implementation. The findings indicate that strengthening formative feedback requires teacher and student feedback literacy, relevant professional learning, and school conditions that enable dialogue, reflection, and revision.

بازخورد تکوینی در ارزیابی برای یادگیری نقش مرکزی دارد، زیرا می‌تواند به یادگیرندگان کمک کند تا انتظارات را درک کنند، شکاف‌های موجود در فهم خود را شناسایی نمایند و یادگیری بعدی را بهبود بخشند. با این حال، دانش کمتری درباره چگونگی درک و اجرای بازخورد تکوینی در زمینه‌های مدارس ابتدایی با منابع محدود وجود دارد. این مطالعه به بررسی نحوه درک و اجرای بازخورد تکوینی توسط معلمان مدارس ابتدایی اتیوپی و چگونگی تأثیر شرایط معلم، دانش‌آموز و زمینه‌ای بر شیوه‌های بازخورد پرداخت. این پژوهش با راهنمایی نظریه شناختی-اجتماعی (SCT) و با استفاده از طرح مطالعه موردی ابزاری کیفی در یک مدرسه ابتدایی دولتی در آسلا، ایالت منطقه‌ای اورومیا، اتیوپی انجام شد. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته با پنج معلم و مدیر مدرسه، مشاهده کلاس‌های درس و یک بحث گروهی متمرکز با حضور پنج دانش‌آموز و سه نماینده انجمن اولیا و مربیان جمع‌آوری شد. داده‌ها با استفاده از تحلیل تماتیک بازتابی و با به‌کارگیری SCT به عنوان لنز تفسیری تحلیل شدند. چهار مضمون استخراج شد: درک و اجرای بازخورد توسط معلمان؛ بازخورد، مشارکت دانش‌آموز و تجارب یادگیری؛ شرایط زمینه‌ای حمایت‌کننده از بازخورد؛ و چالش‌ها و تنش‌های مؤثر بر اجرا. معلمان عموماً بازخورد را به عنوان حمایت از یادگیری، انگیزش، اعتماد به نفس و مشارکت درک می‌کردند. با این حال، مشاهدات نشان داد که بین اهداف تکوینی و شیوه‌های اجراشده شکاف وجود دارد و اصلاح شفاهی جمعی بیشتر از گفت‌وگوی پایدار، بازخورد فردی و فرصت‌های بازنگری رایج بود. کلاس‌های پرجمعیت، زمان آموزشی محدود، فشارهای ارزیابی، محدودیت منابع و تفاوت در مشارکت دانش‌آموزان بر اجرا تأثیرگذار بودند. یافته‌ها نشان می‌دهد که تقویت بازخورد تکوینی مستلزم سواد بازخوردی معلمان و دانش‌آموزان، یادگیری حرفه‌ای مرتبط و شرایط مدرسه‌ای است که امکان گفت‌وگو، تأمل و بازنگری را فراهم کند.